语音合成（Text-to-Speech, TTS）技术历经数十年发展，已从早期机械感十足的电子音进化为接近真人发音的自然声。早期技术（如20世纪70年代的规则合成法）依赖人工设计的音素拼接规则，生成的语音单调、缺乏情感，且对计算资源要求极高。80年代后，统计参数合成技术（如基于隐马尔可夫模型的方法）通过分析语音参数（如基频、时长）实现更灵活的合成，但仍存在“机器人声”的生硬感。

2010年后，深度学习技术（如WaveNet、Tacotron）推动语音合成进入新阶段。WaveNet首次采用自回归模型直接生成原始音频波形，显著提升音质；Tacotron则通过端到端架构将文本直接映射为声学特征，简化流程并增强自然度。2020年以来，基于Transformer的模型（如FastSpeech、VITS）进一步优化效率，实现低延迟、高保真的实时合成，同时支持多语言、多音色甚至情感表达。

当前，语音合成已广泛应用于智能客服、有声读物、虚拟人等领域，但挑战仍存：如何实现更自然的情感表达、降低数据依赖、提升方言/小众语言的适配性，仍是未来突破方向。